| 使用环境 |
在自然保护区或湿地等野外环境中，通过部署摄像头陷阱和高清摄像头采集鸟类视频数据。环境光线自然，摄像头安装在固定位置或由专业人员操作，以获取高质量的鸟类行为视频。 |
| 使用对象 |
湿地中的鸟类，包括13种不同的鸟类物种，如黄腿鸥、白鹡鸰、池鹭、琵嘴鸭、绿头鸭、小环鸻、白鹭、赤颈鸭、欧亚 Moorhen、欧亚喜鹊、欧亚 Coot、黑翅长脚鹬 |
| 使用目的 |
通过自动化的视频分析技术，实现对鸟类物种的识别和行为分类，为生物多样性保护、生态研究和环境管理提供数据支持，减少人工监测的成本和时间。 |
| 输入数据 |
采集自湿地的鸟类视频，分辨率为1920×1080像素，帧率为30fps。 |
| 输出数据 |
识别出的鸟类物种名称、行为类别（警戒、觅食、飞行、梳理羽毛、休息、游泳、行走等）以及对应的置信度。 |
| 硬件配置 |
CPU：Intel Core i9处理器，具备强大的多线程处理能力。
GPU：NVIDIA GeForce RTX 3090，CUDA 11.0，显存容量24GB，用于加速深度学习模型的训练和推理。
内存：32GB DDR4，满足深度学习模型对内存的需求。
硬盘：2TB NVMe SSD，用于存储大量的鸟类视频数据和模型文件。
摄像头：高清摄像头和摄像头陷阱，分辨率从720p到4K不等，用于采集鸟类视频。 |
| 样本获取 |
在西班牙阿利坎特湿地的La Mata自然公园和El Hondo自然公园部署摄像头陷阱和高清摄像头，采集了178段视频，涵盖13种鸟类的7种行为类别，总时长为58分钟53秒。 |
| 测试结果 |
物种分类任务：使用YOLOv9模型，测试结果为精确度0.835、召回率0.759、mAP50为0.801、mAP50-95为0.556。
行为检测任务：使用Video ResNet模型，测试结果为准确率0.56。 |
| 执行速度 |
物种分类：单张图像识别速度约为50ms/次。 行为检测：单段视频（平均时长19.84秒）处理速度约为2秒/段。 |
| 资源消耗 |
物种分类任务：单独运行算法时，CPU平均计算占比约70%，GPU平均计算占比约90%，内存使用占比约70%。 行为检测任务：单独运行算法时，CPU平均计算占比约80%，GPU平均计算占比约95%，内存使用占比约80%。 |
| 源码类型 |
提供Python版本源码，采用售卖方式三进行授权。 |
| 文件大小 |
算法程序文件约为100KB，权重文件约为300MB。 |
| 相关备注 |
|
